-
公开(公告)号：CN119375255A
公开(公告)日：2025-01-28
申请号：CN202411315604.5
申请日：2024-09-20
Applicant: 武汉大学
IPC: G01N22/00 , G01S13/90 , G06F18/10 , G06F18/213 , G06F17/18 , G06F18/2131 , G06V10/40 , G06V20/10
Abstract: 本申请涉及一种基于时序SAR与累积温度的水稻关键生育期监测方法，其中，方法包括：获取目标区域内水稻的时序SAR对应的年时序VH曲线和年时序VV曲线，并对年时序VH曲线进行滤波平滑处理，以得到年时序VH曲线对应的平滑曲线，且根据平滑曲线确定水稻播种期；提取水稻播种期至目标区域的水稻孕穗‑抽穗日期间的累积温度信息，并构建年时序VV曲线的多尺度信息；根据多尺度信息提取水稻关键生育期中的分蘖期信息和果实发育成熟期信息，同时基于多尺度信息和累积温度信息，提取目标区域内水稻关键生育期中的孕穗‑抽穗期信息。由此，解决了现有的水稻监测方法存在的作物生育期信息利用不充分、气候因素考虑不足等问题。
-
公开(公告)号：CN113343804A
公开(公告)日：2021-09-03
申请号：CN202110577250.1
申请日：2021-05-26
Applicant: 武汉大学
Abstract: 本发明提供一种面向单视全极化SAR数据的集成迁移学习分类方法，采用全图分割和局部开窗分割，利用图像空间上下文信息浓缩源域有标签样本量和扩充目标域有标签样本量；然后结合散射矢量相似性系数和适应度函数设置源域有标签样本选取过程，根据目标域类别中心调整训练评判器模型所用源域样本分布；引入对弱分类器可靠性的参考信息作为权重因子，采用加权形式利用迁移弱分类器进行类别软预测，给予预测结果一致的目标域无标签像元伪标签，以扩充目标域有标签样本量并训练新弱分类器；通过迭代利用生成的迁移弱分类器集合完成目标域所有像元的集成分类。本发明能够显著降低雷达图像分类任务对目标域标签信息的高度依赖，提高分类效率和自动化水平。
-
公开(公告)号：CN112883877B
公开(公告)日：2022-07-19
申请号：CN202110208379.5
申请日：2021-02-24
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06K9/62
Abstract: 本发明还提供一种双重非监督分类的极化SAR红树林提取方法及系统，进行雷达影像噪声抑制，利用斑点噪声抑制后的极化相干矩阵，进行H‑α极化目标分解，进行极化SAR影像初始化分类；基于Wishart分布利用最大似然分类器进行迭代分类，从非监督分类结果中选择功率最小的类别作为水体类；红树林分布区域初选，包括根据水体进行缓冲区提取，同时利用数字高程模型对高程大于等于预设阈值的区域进行排除；在红树林分布区域初选结果影像范围内，根据最大似然分类结果，利用似然比假设检验的方式对结果进一步迭代；红树林类提取，包括在似然比迭代分类结果的基础上，计算有效影像区类中心平均熵和平均功率并排序，将具有中等以上功率且熵最大的类作为红树林类。
-
公开(公告)号：CN113627480A
公开(公告)日：2021-11-09
申请号：CN202110775729.6
申请日：2021-07-09
Applicant: 武汉大学
Abstract: 本发明涉及一种基于强化学习的极化SAR影像分类方法。首先对极化SAR影像进行辐射定标、滤波处理，接着对其进行极化分解得到极化特征参数，并对极化特征参数进行归一化处理，构建极化‑空间联合样本集，然后采用强化学习的开发‑利用学习机制训练FCN模型，在提升样本空间上下文信息和极化特征信息利用效率的同时，通过对样本的学习探索，生成大量的经验数据来训练模型，以达到减少样本量和提升分类精度的双重目的，最后用训练好的FCN模型对极化SAR影像进行分类。与现有需要大量数据驱动的CNN网络模型不同，本发明经过强化学习的经验生成和利用，在不超过2％的标注样本需求下即可获取很高的分类精度，满足极化SAR影像在小样本下高精度分类需求。
-
公开(公告)号：CN112883877A
公开(公告)日：2021-06-01
申请号：CN202110208379.5
申请日：2021-02-24
Applicant: 武汉大学
Abstract: 本发明还提供一种双重非监督分类的极化SAR红树林提取方法及系统，进行雷达影像噪声抑制，利用斑点噪声抑制后的极化相干矩阵，进行H‑α极化目标分解，进行极化SAR影像初始化分类；基于Wishart分布利用最大似然分类器进行迭代分类，从非监督分类结果中选择功率最小的类别作为水体类；红树林分布区域初选，包括根据水体进行缓冲区提取，同时利用数字高程模型对高程大于等于预设阈值的区域进行排除；在红树林分布区域初选结果影像范围内，根据最大似然分类结果，利用似然比假设检验的方式对结果进一步迭代；红树林类提取，包括在似然比迭代分类结果的基础上，计算有效影像区类中心平均熵和平均功率并排序，将具有中等以上功率且熵最大的类作为红树林类。
-
Patent Agency Ranking
公开(公告)号：CN119649210A
公开(公告)日：2025-03-18
申请号：CN202411609252.4
申请日：2024-11-12
Applicant: 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) , 武汉大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06V10/776
Abstract: 本发明涉及一种基于多尺度时变信息提取网络的SAR农作物分类方法，包括：获取待分类时序SAR影像；对待分类时序SAR影像进行预处理，并根据预处理结果和预设的标签数据进行配准，得到待分类切片数据；将待分类切片数据输入至预先构建的分类网络模型，得到待分类时序SAR影像的农作物分类结果，其中，预先构建的分类网络模型由多尺度时变信息模块和多尺度空间信息模块融合构建的初始网络模型训练得到。由此，通过构建多尺度时变信息网络模型对时序SAR影像中的信息进行分类，实现了在低参数量条件下，对农作物自动化智能化的高效准确分类，得以实现全天时全天候的农作物种植区监测。
-
公开(公告)号：CN119622995A
公开(公告)日：2025-03-14
申请号：CN202411431394.6
申请日：2024-10-14
Applicant: 武汉大学
IPC: G06F30/20 , G06F17/16 , G06F17/11 , G06T3/08 , G06F111/10
Abstract: 本申请涉及一种基于双极化分解和地表散射模型的土壤水分反演方法，其中，方法包括：对目标研究区的双极化SAR影像进行预处理；根据双极化广义体散射模型和Oh地表散射模型建立描述地表和植被之间散射过程的地表‑植被散射模型；将观测协方差矩阵和双极化广义体散射模型重构为在Stokes矢量上的投影，并利用不同极化通道的后向散射观测值和后向散射模拟值之间的代价函数及地面实测数据，对地表均方根高度和植被结构参数进行标定；基于标定后的地表‑植被散射模型，通过非线性最小二乘拟合解算得到对应的介电常数，并利用Topp模型将介电常数转化为土壤水分，得到土壤水分反演结果。本申请实施例使用双极化SAR数据有限的信息对散射场景进行建模，在有效解耦地表和植被散射信号的基础上实现了土壤水分的精确反演。
-
公开(公告)号：CN119510446A
公开(公告)日：2025-02-25
申请号：CN202411404096.8
申请日：2024-10-09
Applicant: 武汉大学
Abstract: 本申请涉及基于邻域变化检测和被动微波约束的土壤水分反演方法，其中，方法包括：获取覆盖目标研究区的合成孔径雷达SAR影像，并对SAR影像进行预处理；利用伪散射类型参数和伪散射熵参数得到中心像元的邻域同质像元；基于中心像元和邻域同质像元的共极化后向散射观测值，建立基于散射特性相似度加权的邻域变化检测模型；以长时序被动微波土壤水分产品对应的上下界作为约束范围，在约束范围内对土壤水分进行线性最小二乘拟合求解，以得到土壤水分反演结果。本申请实施例降低了植被的时间变异性给土壤水分反演带来的不确定性和数据的获取成本，解决了相关技术中，土壤水分时序变化检测方法受到植被时间变异性的影响，实际应用性能较低的问题。
-
公开(公告)号：CN117274809A
公开(公告)日：2023-12-22
申请号：CN202311239829.2
申请日：2023-09-25
Applicant: 武汉大学
IPC: G06V20/10 , G06V10/764 , G06V10/74 , G06T7/32 , G06T7/33
Abstract: 本发明提供一种基于时序星载SAR影像的洪涝水体提取方法及系统，进行雷达影像预处理，包括利用星载SAR平台参数实现影像的粗配准；时序星载SAR影像的配准；构建基于统计特征的异常值检测因子，所述异常值检测因子采用综合极化方式、轨道参数和成像模式差异的时序SAR影像Z‑score值；基于GPM和Z‑socre的自动化影像块筛选，包括先基于GPM得到完全无雨基线CRB影像集，然后基于Z‑socre和CRB联合得到不受降雨影响的基线RRB，利用RRB实现序列影像块自动筛选；基于分类树的大范围洪水自动提取，包括利用世界定居点足迹WSF数据实现影像中城区与非城区划分，基于建筑区域和自然区域洪水时期散射机理的差异性，进行建筑区域内涝和自然区域洪水的决策树方式提取。
-
公开(公告)号：CN113378716A
公开(公告)日：2021-09-10
申请号：CN202110652684.3
申请日：2021-06-11
Applicant: 武汉大学
Abstract: 本发明涉及一种基于自监督条件下的深度学习SAR影像舰船识别方法。首先对SAR数据进行预处理，利用累计逆指数概率分布获取图像像素阈值，并利用阈值进行快速分割得到二值化图像，然后对二值化图像进行八邻域连通处理，获取候选目标的几何信息，根据候选目标的几何信息构建SAR舰船切片数据集，最后建立CNN网络模型，并对其进行训练、调优后用于舰船目标的自监督识别。本发明基于自监督思想的CNN模型，识别过程仅需要标注少量训练样本，极大减少了样本标注时间，提高了舰船检测效率；主干模型采用轻量模型Shufflenet网络，模型参数较少，能够以较少的训练时间获取较高的训练精度，收敛速度快，精度高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.015 seconds)
